MACHINE LEARNING UNTUK LOCALIZATION BERBASIS RSS MENGGUNAKAN CELL- ID GLOBAL SYSTEM FOR MOBILE COMMUNICATION
Abstract
Keakuratan dalam penentuan posisi merupakan bagian yang penting untuk aplikasi-aplikasi dalam kajian ubiquitous computing. Teknologi penentuan posisi yang umumnya dikenal adalah Global Positioning System (GPS). Pada lokasi-lokasi tertentu penerima GPS dapat memberikan informasi posisi yang akurat. Keadaan ini bertolak belakang ketika GPS digunakan di dalam gedung dan lingkungan perkotaan yang padat. Jika digunakan di lokasi-lokasi tersebut tidak memberikan kinerja yang baik. Pada penelitian ini, penentuan posisi objek dalam gedung dilakukan dengan menggunakan teknologi Global System for Mobile Communications (GSM). GSM dipilih karena mempunyai beberapa keuntungan diantaranya cakupan GSM lebih luas dan mampu bekerja didalam ruangan.
Nilai dari RSS yang berasal dari CELL- ID yang terpasang di lokasi penelitian di gunakan untuk menyimpulkan lokasi dari pengukuran RSS-based menggunakan metode machine learning dengan algoritma k-Nearest Neighborhood (kNN). Dari hasil penelitian akn diketahui pengaruh terhadap pengukuran antara lain ukuran grid fingerprint, algoritma dan jumlah data dari luas lokasi pengukuran data fingerprint. Hasil terbaik pengujian dari algoritma akan menjadi hasil dan tujuan dari penelitian ini.
Luaran dari Penelitian ini adalah publikasi ilmiah dalam jurnal untuk pengembangan materi berbasis GLOBAL SYSTEM FOR MOBILE COMMUNICATION (GSM)
References
[D. Fox, J. Hightowerand, L. Liao, D. Schulz, and G. Borriello, 2003. “Bayesian filtering for location estimation,” IEEE Pervasive Computing, vol. 02, no.
3,pp. 24–33,
D. Zimmermann, J. Baumann, M. Layh, F. Landstorfer, R.Hoppe, and G. W¨olfle, 2004 “Database correlation for positioning of mobile terminals in cellular networks using wave propagation models,” Proceedings of the 60th IEEE Vehicular Technology Conference, vol. 7, pp. 4682–4686,
H. Liu, H. Darabi,P. Banerjee, J. Liu, 2007, “Survey of Wireless Indoor Positioning Techniques and Systems” in IEEE Transactions on System, Man and Cybernetics Vol, 37, No, 6,.
V. Otsason, A. Varshavsky, A. LaMarca, and E. de Lara, (2005)“Accurate GSM indoor localization” in Proceedings of the International Conference on Ubiquitous Computing (UbiComp ’05),M. Beigl, et al., Ed., pp. 141–158, Springer, Berlin, Germany.
N. Patwari, A. O. Hero III, M. Perkins, N. Correal, and R. J. O’Dea, (2003)“Relative location estimation in wireless sensor networks,” IEEE Trans.Sig. Proc., vol. 51, no. 8, pp. 2137–2148.
N. Sirola, (2007) “Mathematical methods for personal positioning and navigation,”Ph.D. dissertation, Tampere University of Technology.
Jorge J. Robles 1, Martin Deicke 2, and Ralf Lehnert1, (2010)” 3D fingerprintbased Localization for Wireless Sensor Networks” in Proceedings of the IEEE.
J. Miguez and P. Djuri_c, (2002)“Blind equalization by sequential importance sampling,"in Proc. IEEE ISCAS, pp. 845-848.
J. Zhang, Y. Huang, and P. M. Djuric, (2002)”Multiuser detection with particle Filtering," In Proc. EUSIPCO.
P. M. Djuric, J. H. Kotecha, J. Zhang, Y. Huang, T. Ghirmai, M. F. Bugallo,and J.
Miguez, (2003) “Particle Filtering," IEEE Signal Processing Magazine, vol. 20,no. 5.
P. Bahl, V. Padmanabhan, (2000)“Radar: An In-Building RF-Based User- Location and Tracking System”, in Nineteenth Annual Joint Conference of the IEEE Computer and Communications Societies. INFOCOM, Tel Aviv, Israel.
P. Mahalanobis, (1936)“On the generalised distance in statistics” in Proceedings National Institute of Science, India, Vol. 2, No. 1.
S. Kambhampati, K. Tangirala, K. R. Namuduri, and S. K. Jayaweera,(2004) “Particle Filtering for target tracking," Wireless Personal and Multimedia Communications.
Widyawan, (2009) “Learning Data Fusion for Indoor Localization” Ph.D. dissertation, Departement of Electronic Engineering Cork Institute of Technology.
Yustaf Pramsistya (2009)“Optimasi Penempatan BTS Dengan Menggunakan Algoritma Genetika”. Jurusan Matematika FMIPA, Institut Teknologi Surabaya.
